写在最前面
希望通过了解，找到目标应用场景的方法具体属于哪一个分支，并初步实现
通过阅读文献，找到了另一个研究方向，所以这个就先这样吧hh
参考
[1]冯钧,李艳,杭婷婷.问答系统中复杂问题分解方法研究综述[J].计算机工程与应用,2022,58(17):23-33.
[2]陈跃鹤, 贾永辉, 谈川源, 陈文亮, 张民. 基于知识图谱全局和局部特征的复杂问答方法. 软件学报. http://www.jos.
org.cn/1000-9825/6799.htm
复杂问题问答
问答系统是nlp的研究方向之一，允许用户以自然语言问句的形式表达复杂的信息需求，并针对用户提出的问题直接返回精准的答案。
问答系统分类
现有的问答系统根据答案获取途径可以分为：
- 检索式问答系统。从已有的知识库、数据集、文档或者网页中检索与问题最相关的答案，例如基于知识库的问答(KBQA)、基于文档的问答(DBQA)。
（知识图谱信息检索）先利用问句中的语义信息 (实体或关系) 从图谱中召回候选答案实体, 再通过排序方法从中选择最终答案。 - 生成式问答系统。根据用户查询的问题，由模型自动生成相关的答案。
（知识图谱语义解析）将自然语言问句转换为一种结构化查询语句, 并在知识库上执行得到最终答案。
根据问题的类型以及答案特点，问答又分为：
1、事实型问答。询问的某一客观事实，答案是唯一确定的，通常是实体或短语，例如以Who、Where、When等疑问词为首的问句。
2、非事实型问答。询问观点、方法等，答案不具有确定性，可能是段落或句子，注重回答是否合理，例如How、Why、解释类问题，以及闲聊类问题。
问答系统一般分为三个模块：问题理解、信息检索和答案抽取。
知识图谱
知识图谱(knowledge graph, KG)用于存储真实世界中的实体(如人名,地名等)及实体间关系(如出生地,国籍等)。现有的大规模知识图谱包括Freebase, DBPedia和 NELL3等。
知识库问答(knowledge base questionanswering,KBQA)作为知识图谱的应用，给定一个自然语言问句，知识库问答的目的在于自动从上述知识库中找到问题的答案。
现存问题
在非完全图谱上的复杂问句推理主要存在两类问题：
(1)最佳或正确的推理路径可能在具体图谱中并不存在；
(2)问句复杂的语义构成在推理过程中难以捕捉。
比如在多跳类型的问句中,由于非完全图谱中有效路径的缺失,可能使模型倾向产生过长的推理路径,而长路径的出现增加了表示和推理的难度.
在含约束类型的问句中,约束信息在稀疏的图中难以将语义信息映射到推理过程.
对于这两个问题,由于上述基于语义解析的方法在很大程度上依赖路径进行推理,因此图谱的非完全性极大影响了其表现.
而基于信息检索的方法虽然较少受图谱固有的非完全性影响,但如何充分地对问句中复杂的语义成分建模,仍为亟待解决的问题。
论文1
方法概述
评分器模型
分类
根据答案类型，DuReader将问题分为：Entity（实体）、Description（描述）和YesNo（是非）。
对于实体类问题，其答案一般是单一确定的回答，比如：iPhone是哪天发布？
对于描述类问题，其答案一般较长，是多个句子的总结，典型的how/why类型的问题，比如：消防车为什么是红的？
对于是非类问题，其答案往往较简单，是或者否，比如：39.5度算高烧吗？
同时，无论将问题分类以上哪种类型都可以进一步细分为是事实（Fact）类还是观点（Opinion）类。如图3展示了这两大类维度的划分方式。
根据给定的一篇文章来回答项目解决的问题、项目带来的变化和项目创造的价值，属于知识图谱的"信息提取"和"知识推理"分支。
-
信息提取：这个分支涉及从给定的文章或文本中提取有用的信息。在这种情况下，系统需要从文章中识别出关于项目解决的问题、项目带来的变化以及项目创造的价值的相关信息，然后将其回答或汇总。
-
知识推理：这个分支涉及根据提取的信息进行推理和理解。系统可能需要将从文章中提取的各种片段和信息整合在一起，进行推理，以回答问题，例如项目是如何解决问题的，它引起了哪些变化以及创造了什么价值。
知识图谱是一个更广泛的领域，其中涉及到的分支和技术较多。在回答这三个问题的场景中，主要涉及到信息提取和知识推理这两个分支，使系统能够从给定的文章中获取相关信息并做出推理回答。
